CVPRJun, 2022

重新思考卷积网络对物体计数的空间不变性

PDF
TL;DR本文提出使用高斯卷积核来代替原来的卷积滤波器，以估计密度地图中的空间位置，以达到激励密度地图生成过程并克服注释噪声的目的。我们的研究为后续研究指明了新的方向，应该研究如何适当放松过分严格的基于像素级空间不变性的对象计数。我们在 MCNN，CSRNet，SANet 和 ResNet-50 等 4 个主流对象计数网络上进行了评估，对 3 个应用程序（即人群，车辆和植物计数）的 7 个流行基准进行了广泛的实验，并且实验结果表明我们的方法明显优于其他最先进的方法，实现了有关对象空间位置的有希望的学习。
object countinggaussian kernelsdensity maplow-rank approximationspatial invariance
发现论文，激发创造
  • 超越计数：应用于人群分析任务的密度地图比较 —— 计数、检测和跟踪

    研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。

    May, 2017

  • 通过低秩局部连接重新审视空间不变性

    为了测试假设认为部分放松空间不变性能够提供一个更好的归纳偏置，本文设计了一种方法来以可控的方式放松神经网络层的空间不变性。实验中发现，相比于卷积层和局部连接层，放松空间不变性能够在 MNIST，CIFAR-10 和 CelebA 数据集上改善分类精度，因此暗示空间不变性可能是一种过度限制的先验。

    Feb, 2020

  • 基于空间正则化区域建议网络的无人机物体计数

    本文提出了一种基于空间布局和 Layout Proposal Networks 技术的目标计数和定位方法，能够准确识别和定位无人机拍摄的视频中的目标物体，同时通过提出了一个新的大型数据集来评估该方法。

    Jul, 2017

  • Count-ception: 全卷积冗余计数

    本文提出一种使用深度神经网络的方法，对数字图像中的对象进行自动计数和定位，相对于现有方法，其平均误差率有 20% 的相对改进。

    Mar, 2017

  • 稀疏不变卷积神经网络

    本文提出了一种用于处理稀疏数据的卷积神经网络架构，采用了一种稀疏卷积层，能够在深度上采样中取得优异的实验效果，作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。

    Aug, 2017

  • 全局汇总池化：一种针对大型图像小数据集进行物体计数的泛化技巧

    本研究探讨了如何训练用于计数物体的单视角回归模型，提出了使用全局求和池化代替全局平均池化或全连接层，从而避免局部估计相互抵消的问题以及由于在全分辨率图像上训练而导致的过拟合问题，并在四个不同的航空影像数据集上验证了模型的有效性。

    May, 2018

  • 深度循环空间感知网络在人群计数中的应用

    本文提出了一种利用神经网络及空间变换模型解决人流量不规则变化问题的方法，在 4 个数据集上实验得到了 12%-22.8% 的改进。

    Jul, 2018

  • 利用逆 K 近邻图和多尺度上采样改进稠密人群计数卷积神经网络

    使用逆 k 近邻 (i$k$NN) 图像标签方案并结合多尺度上采样的神经网络架构可有效提高人群计数的准确性。

    Jan, 2019

  • 迭代式群体计数

    本文提出了基于卷积神经网络的密度估计方法，用于解决图像人群计数的难题。通过两个分支 CNN 架构预测高分辨率密度图，以及提出了多阶段扩展方法，并在三个数据集上实验验证表明，该方法可以达到最低的平均绝对误差。

    Jul, 2018

  • 集中计数自由

    本文提出了一种基于点标注的目标计数方法，以构建更好的密度图作为监督信号，同时将点标注视为更多用途的监督信号，从而提高了计数的准确性。

    Mar, 2019